CN108072381A - 一种路径规划的方法及装置 - Google Patents
一种路径规划的方法及装置 Download PDFInfo
- Publication number
- CN108072381A CN108072381A CN201611028028.1A CN201611028028A CN108072381A CN 108072381 A CN108072381 A CN 108072381A CN 201611028028 A CN201611028028 A CN 201611028028A CN 108072381 A CN108072381 A CN 108072381A
- Authority
- CN
- China
- Prior art keywords
- section
- average speed
- driving behavior
- path
- speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3469—Fuel consumption; Energy use; Emission aspects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3484—Personalized, e.g. from learned user behaviour or user-defined profiles
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种路径规划的方法及装置,按照预先建立的包括各路段的平均油耗与出发时间、道路等级、实时路况、驾驶行为类别之间对应关系的油耗预测模型,确定基于需要规划的路径的起点、终点以及最优化条件得到的候选路径集中每条路径各路段的平均油耗;根据确定出的候选路径集中每条路径各路段的平均油耗以及各路段的长度,确定候选路径集中每条路径所需的总油耗;将总油耗最低的路径确定为最终的路径规划结果。由于通过包含各路段的平均油耗与出发时间、道路等级、实时路况、驾驶行为所属类别之间的对应关系的油耗预测模型,规划出了油耗最低的路径,因此,实现了基于驾驶行为特征、道路等级、实时路况与最低油耗之间的关系进行的路径规划。
Description
技术领域
本发明涉及智能交通技术领域,尤其涉及一种路径规划的方法及装置。
背景技术
交通诱导***提供建议路径,以引导驾驶员的出行行为,降低驾驶员对未知交通状态的焦虑,合理分配整个交通网络上的交通流,从而减少整个***中的交通时耗。而路径规划是交通诱导***提供车辆导航功能的前提条件,是帮助驾驶员在出行前或出行中规划行驶路径的过程,因此,路径规划方法对于改善宏观交通状况、提高交通效率等方面具有重要意义。
目前关于路径规划的方法主要有:1)为不同的个体不同的导航任务准确地生成动态的路况信息,有效的提高路径规划的可靠性;2)实时获取各客户端记录的个性化信息,根据各时间段中各路段的路况信息和自身的个性化信息,实时调整初始路径,以减少预测结果的偏差,从而更全面、更准确及时的给用户预测未来一定时间段内路况良好的行驶路段,提高了路径预测和调整的准确度;3)同时提供路径信息以及其他的相关信息,避免现有技术中由于用户浏览路径信息这一搜索结果的同时还需要浏览其他相关的网页信息的搜索结果才能够确定最佳路径而导致的操作复杂且不完全准确的问题,从而提高了路径确定的效率和可靠性;4)根据用户偏好、实时交通信息进行动态导航,保证车辆始终以最优路径出行,降低导航终端数据通信量和数据处理时耗及能耗;5)结合用户实际所处的场景以及行驶的状态,智能地为用户提供导航信息。
但是现有路径规划的方法涉及的最优化目标函数主要包括行程时间、行程距离、拥挤程度、行程困难度,没有讨论以最低油耗为目标函数的路径规划,也没有考虑驾驶员的驾驶特征对于油耗的影响。而实际情况是不同的驾驶员由于驾驶特征的差异性,会造成在不同等级道路、不同的交通状况下的油耗存在巨大差异。
因此,如何基于驾驶员个性化的驾驶特征、道路等级、实时路况与最低油耗之间的关系进行路径规划,是亟需解决的技术问题。
发明内容
本发明实施例提供一种路径规划的方法及装置,用以解决现有技术中存在如何基于驾驶员个性化的驾驶特征、道路等级、实时路况与最低油耗之间的关系进行路径规划的问题。
本发明实施例提供了一种路径规划的方法,包括:
根据获取到的需要规划路径的起点和终点,按照预先选定的多种最优化条件确定候选路径集;
按照预先建立的油耗预测模型,确定所述候选路径集中每条路径各路段的平均油耗;所述油耗预测模型包括所述各路段的平均油耗与出发时间、道路等级、实时路况、驾驶行为所属类别之间的对应关系;
根据确定出的所述候选路径集中每条路径各路段的平均油耗以及各路段的长度,确定所述候选路径集中每条路径所需的总油耗;
将所述总油耗最低的路径确定为最终的路径规划结果。
在一种可能的实现方式中,在本发明实施例提供的上述方法中,所述根据获取到的需要规划路径的起点和终点,按照预先选定的多种最优化条件确定候选路径集,具体包括:
根据获取到的需要规划路径的起点和终点,调用地图驾车路线规划应用程序接口,分别以最少时间、最短路径和避开高速为最优化条件确定候选路径集。
在一种可能的实现方式中,在本发明实施例提供的上述方法中,通过如下方式建立所述油耗预测模型:
获取车辆终端上传的车载诊断***数据和全球定位***数据;
根据所述车载诊断***数据,计算驾驶行为并对驾驶行为进行分类;
根据所述全球定位***数据,对地图中的道路进行实时路况分析;
按照出发时间、计算出的驾驶行为所属类别、不同道路等级,以及确定出的实时路况,对地图中的各路段构建油耗预测模型。
在一种可能的实现方式中,在本发明实施例提供的上述方法中,所述根据所述车载诊断***数据,计算驾驶行为并对驾驶行为进行分类,具体包括:
根据所述车载诊断***数据,确定驾驶行为相关参数向量;所述车载诊断***数据包括车辆的速度、加速度和转速;
根据所述驾驶行为相关参数向量,以及预先利用学习向量量化神经网络算法构建的驾驶行为识别模型,确定驾驶行为属于激进型、沉稳型或普通型。
在一种可能的实现方式中,在本发明实施例提供的上述方法中,所述根据所述全球定位***数据,对地图中的道路进行实时路况分析,具体包括:
调用地图地址解析应用程序接口,将所述全球定位***数据与具体路段名称相对应,确定各时间段内在各路段上对应的所有车辆的平均速度;
用各所述平均速度对应表征各时间段内各路段的实时路况。
在一种可能的实现方式中,在本发明实施例提供的上述方法中,在用各所述平均速度对应表征各时间段内各路段的实时路况之前,还包括:
判断在各时间段内在各路段上对应的所有车辆的平均速度中,平均速度为零的数量与平均速度的总数量之比是否小于预设比值;
若是,则用各所述平均速度对应表征各时间段内各路段的实时路况;
若否,则根据路段的功能性特征和/或拥堵的传播特性,对所述平均速度为零的各路段的平均速度进行修正,用修正后的各所述平均速度对应表征各时间段内各路段的实时路况。
在一种可能的实现方式中,在本发明实施例提供的上述方法中,所述根据路段的功能性特征,对所述平均速度为零的各路段的平均速度进行修正,具体包括:
确定与所述平均速度为零的各路段功能相似度最大的路段;
将相似度最大的路段的平均速度作为所述平均速度为零的路段的修正后的平均速度。
在一种可能的实现方式中,在本发明实施例提供的上述方法中,所述根据拥堵的传播特性,对所述平均速度为零的各路段的平均速度进行修正,具体包括:
通过关联规则算法,确定与所述平均速度为零的各路段存在拥堵关联关系的路段;
将存在拥堵关联关系的路段的平均速度作为所述平均速度为零的路段的修正后的平均速度。
本发明实施例还提供了一种路径规划的装置,包括:
确定模块,用于根据获取到的需要规划路径的起点和终点,按照预先选定的多种最优化条件确定候选路径集;
第一计算模块,用于按照预先建立的油耗预测模型,确定所述候选路径集中每条路径各路段的平均油耗;所述油耗预测模型包括所述各路段的平均油耗与出发时间、道路等级、实时路况、驾驶行为所属类别之间的对应关系;
第二计算模块,用于根据确定出的所述候选路径集中每条路径各路段的平均油耗以及各路段的长度,确定所述候选路径集中每条路径所需的总油耗;
确认模块,用于将所述总油耗最低的路径确定为最终的路径规划结果。
在一种可能的实现方式中,在本发明实施例提供的上述装置中,所述确定模块,具体用于根据获取到的需要规划路径的起点和终点,调用地图驾车路线规划应用程序接口,分别以最少时间、最短路径和避开高速为最优化条件确定候选路径集。
在一种可能的实现方式中,在本发明实施例提供的上述装置中,还包括:
获取模块,用于获取车辆终端上传的车载诊断***数据和全球定位***数据;
分类模块,用于根据所述车载诊断***数据,计算驾驶行为并对驾驶行为进行分类;
分析模块,用于根据所述全球定位***数据,对地图中的道路进行实时路况分析;
构建模块,用于按照出发时间、计算出的驾驶行为所属类别、不同道路等级,以及确定出的实时路况,对地图中的各路段构建油耗预测模型。
在一种可能的实现方式中,在本发明实施例提供的上述装置中,所述分类模块,具体用于根据所述车载诊断***数据,确定驾驶行为相关参数向量;所述车载诊断***数据包括车辆的速度、加速度和转速;根据所述驾驶行为相关参数向量,以及预先利用学习向量量化神经网络算法构建的驾驶行为识别模型,确定驾驶行为属于激进型、沉稳型或普通型。
在一种可能的实现方式中,在本发明实施例提供的上述装置中,所述分析模块,具体用于调用地图地址解析应用程序接口,将所述全球定位***数据与具体路段名称相对应,确定各时间段内在各路段上对应的所有车辆的平均速度;用各所述平均速度对应表征各时间段内各路段的实时路况。
在一种可能的实现方式中,在本发明实施例提供的上述装置中,还包括:修正模块,用于判断在各时间段内在各路段上对应的所有车辆的平均速度中,平均速度为零的数量与平均速度的总数量之比是否小于预设比值;若是,则用各所述平均速度对应表征各时间段内各路段的实时路况;若否,则根据路段的功能性特征和/或拥堵的传播特性,对所述平均速度为零的各路段的平均速度进行修正,用修正后的各所述平均速度对应表征各时间段内各路段的实时路况。
在一种可能的实现方式中,在本发明实施例提供的上述装置中,所述修正模块,具体用于确定与所述平均速度为零的各路段功能相似度最大的路段,将相似度最大的路段的平均速度作为所述平均速度为零的路段的修正后的平均速度;和/或通过关联规则算法,确定与所述平均速度为零的各路段存在拥堵关联关系的路段,将存在拥堵关联关系的路段的平均速度作为所述平均速度为零的路段的修正后的平均速度。
本发明有益效果如下:
本发明实施例提供的一种路径规划的方法及装置,包括:根据获取到的需要规划路径的起点和终点,按照预先选定的多种最优化条件确定候选路径集;按照预先建立的油耗预测模型,确定候选路径集中每条路径各路段的平均油耗;油耗预测模型包括各路段的平均油耗与出发时间、道路等级、实时路况、驾驶行为所属类别之间的对应关系;根据确定出的候选路径集中每条路径各路段的平均油耗以及各路段的长度,确定候选路径集中每条路径所需的总油耗;将总油耗最低的路径确定为最终的路径规划结果。由于通过包含各路段的平均油耗与出发时间、道路等级、实时路况、驾驶行为所属类别之间的对应关系的油耗预测模型,规划出了油耗最低的路径,因此,实现了基于驾驶员个性化的驾驶特征、道路等级、实时路况与最低油耗之间的关系进行的路径规划。
附图说明
图1为本发明实施例提供的路径规划的方法的流程图;
图2为本发明实施例中构建油耗预测模型的流程图;
图3为本发明实施例中学习向量量化神经网络的结构示意图;
图4为利用学习向量量化神经网构建驾驶行为识别模型的流程图;
图5为本发明实施例中路段功能与信息点类别之间关系的示意图;
图6为本发明实施例中油耗预测模型的各因素之间相互关系的示意图;
图7为本发明实施例提供的路径规划的装置的结构示意图。
具体实施方式
下面结合附图,对本发明实施例提供的路径规划的方法及装置的具体实施方式进行详细地说明。
本发明实施例提供的一种多路径规划的方法,如图1所示,具体包括以下步骤:
S101、根据获取到的需要规划路径的起点和终点,按照预先选定的多种最优化条件确定候选路径集;
S102、按照预先建立的油耗预测模型,确定候选路径集中每条路径各路段的平均油耗;油耗预测模型包括各路段的平均油耗与出发时间、道路等级、实时路况、驾驶行为所属类别之间的对应关系;
S103、根据确定出的候选路径集中每条路径各路段的平均油耗以及各路段的长度,确定候选路径集中每条路径所需的总油耗;
S104、将总油耗最低的路径确定为最终的路径规划结果。
具体地,在本发明实施例提供的上述方法中,由于通过包含各路段的平均油耗与出发时间、道路等级、实时路况、驾驶行为所属类别之间的对应关系的油耗预测模型,规划出了油耗最低的路径,因此,实现了基于驾驶员个性化的驾驶特征、道路等级、实时路况与最低油耗之间的关系进行的路径规划。
在具体实施时,在本发明实施例提供的上述路径规划的方法中,步骤S101根据获取到的需要规划路径的起点和终点,按照预先选定的多种最优化条件确定候选路径集,具体可以通过以下方式实现:
根据获取到的需要规划路径的起点和终点,调用地图驾车路线规划应用程序接口,分别以最少时间、最短路径和避开高速为最优化条件确定候选路径集R={Rtime,Rdist,Rspeed}。
在具体实施时,在本发明实施例提供的上述路径规划的方法中,步骤S102中预先建立的包括各路段的平均油耗与出发时间、道路等级、实时路况、驾驶行为所属类别之间的对应关系的油耗预测模型,如图2所示,具体可以通过以下方式实现:
S201、获取车辆终端上传的车载诊断***数据和全球定位***数据;
S202、根据车载诊断***数据,计算驾驶行为并对驾驶行为进行分类;
S203、根据全球定位***数据,对地图中的道路进行实时路况分析;
S204、按照出发时间、计算出的驾驶行为所属类别、不同道路等级,以及确定出的实时路况,对地图中的各路段构建油耗预测模型。
在具体实施时,在本发明实施例提供的上述路径规划的方法中,步骤S202根据车载诊断***数据,计算驾驶行为并对驾驶行为进行分类,具体可以通过以下方式实现:
根据车载诊断***数据,确定驾驶行为相关参数向量;车载诊断***数据包括车辆的速度、加速度和转速;
根据驾驶行为相关参数向量,以及预先利用学习向量量化神经网络算法构建的驾驶行为识别模型,确定驾驶行为属于激进型、沉稳型或普通型。
具体地,在本发明实施例提供的上述路径规划的方法中的步骤S202的具体实施方式中,根据驾驶行为相关参数向量,以及预先利用学习向量量化神经网络构建的驾驶行为识别模型,对驾驶行为进行分类。需要先根据包括驾驶行为相关参数向量及相应的驾驶行为类别的驾驶行为分类训练集,如表1所示,构建基于学习向量量化神经网络的驾驶行为模型,然后,将驾驶行为训练集以外的驾驶行为数据进行分类时,只需将驾驶行为数据转化为驾驶行为特征向量,代入确定出的驾驶行为模型中,即可得到该驾驶行为的类别。
具体地,在本发明实施例提供的上述路径规划的方法中的步骤S202的具体实施方式中,根据包括驾驶行为相关参数向量及相应的驾驶行为类别的驾驶行为分类训练集,构建基于学习向量量化神经网络的驾驶行为模型,即通过包括驾驶行为相关参数向量及响应的驾驶行为类别的驾驶行为分类训练集对学习向量量化神经网络的权值wij进行学习,直到学习向量量化神经网络模型的分类准确率满足要求,例如可设为95%,从而得到最终的神经网络权值wij,也即根据驾驶行为分类训练集确定了基于学习向量量化神经网络的驾驶行为模型。
表1
具体地,在本发明实施例提供的上述路径规划的方法中,如表2所示,为步骤S202的具体实施方式中包括车辆的速度、加速度和转速的车载诊断***数据,根据表2所示的车载诊断***数据,可以确定驾驶行为相关参数向量为
表2
编号 | 车载***诊断数据 | 标识 |
x1 | 速度的均值 | v_avg |
x2 | 速度的标准差 | v_std |
x3 | 加速度的均值 | a_avg |
x4 | 加速度的标准差 | a_std |
x5 | 转速的均值 | rpm_avg |
x6 | 转速的标准差 | rpm_std |
x7 | 速度属于0-20km/h时间比例 | v_a |
x8 | 速度属于20-40km/h时间比例 | v_b |
x9 | 速度属于40-60km/h时间比例 | v_c |
x10 | 速度属于大于60km/h时间比例 | v_d |
x11 | 加速度属于0-0.1m/s2时间比例 | a_a |
x12 | 加速度属于0.1-0.3m/s2时间比例 | a_b |
x13 | 加速度大于0.3m/s2时间比例 | a_c |
x14 | 转速属于0-1000rpm时间比例 | rpm_a |
x15 | 转速属于1000-2000rpm时间比例 | rpm_b |
x16 | 转速大于2000rpm时间比例 | rpm_c |
具体地,在本发明实施例提供的上述路径规划的方法中,如图3所示,为步骤S202的具体实施方式中用于构建驾驶行为识别模型的学习向量量化神经网的结构示意图。学习向量量化神经网络由输入层301、竞争层302和线性输出层303三层神经元组成,其中,输入层301与竞争层302之间采用全连接的方式,竞争层302与线性输出层303之间采用部分连接的方式。
基于此,在本发明实施例提供的上述路径规划的方法中,步骤S202的具体实施方式中利用学习向量量化神经网构建驾驶行为识别模型,如图4所示,可以包括以下步骤:
S401、初始化输入层301与竞争层302之间的权值wij及学习率η;
S402、初始化竞争层神经元的类标签为Ci;
S403、将驾驶行为相关参数向量送入输入层301的神经元j,并计算输入层301的神经元j,与竞争层302的神经元i与输入向量之间的距离:
其中,wij为输入层301的神经元j与竞争层302的神经元i之间的权值;
S404、选择与输入层301的神经元j距离最小的竞争层302的神经元i的类标签Ci作为与竞争层302的神经元i连接的线性输出层303的神经元的类标签;
S405、若训练集中驾驶行为相关参数向量对应的类标签Cx与输出层303的神经元的类标签Ci一致,则按照如下公式调整权值wij:
若训练集中驾驶行为相关参数向量对应的类标签Cx与输出层303的神经元的类标签Ci不一致,则按照如下公式对权值wij进行更新:
其中,训练集中驾驶行为相关参数向量对应的类标签Cx为激进型、沉稳型或普通型中的任一类,输出层303的神经元的类标签Ci为激进型、沉稳型或普通型中的任意类,t为正整数。
S406、重复上述步骤,直到将训练集中所有的驾驶行为相关参数向量正确分类。
进一步地,在本发明实施例提供的上述方法中,通过将驾驶行为相关参数向量带入步骤S202的具体实施方式中利用学习向量量化神经网络算法构建的驾驶行为识别模型,即可确定驾驶行为属于激进型、沉稳型或普通型三者中的一类。
在具体实施时,在本发明实施例提供的上述方法中,步骤S203根据全球定位***数据,对地图中的道路进行实时路况分析,具体可以通过以下方式实现:
调用地图地址解析应用程序接口,将全球定位***数据与具体路段名称相对应,确定各时间段内在各路段上对应的所有车辆的平均速度;
用各平均速度对应表征各时间段内各路段的实时路况。
具体地,在本发明实施例提供的上述方法中,可通过如表3所示的方式将步骤S203的具体实施方式中将全球定位***数据与具体路段名称相对应。
表3
具体地,在本发明实施例提供的上述方法中,步骤S203的具体实施方式中用各平均速度对应表征各时间段内各路段的实时路况,具体可以以矩阵的方式进行表现:其中,行表示时间分片t,列表示路段名称r。
具体地,在本发明实施例提供的上述方法中,由于能够获取到全球定位***数据的车辆有限,导致步骤S203的具体实施方式中得到的数值不为零的平均速度非常少,从而无法直接用于平均油耗的预测。因此,在步骤S203的具体实施方式中用各平均速度对应表征各时间段内各路段的实时路况之前,还需要执行以下步骤:
判断在各时间段内在各路段上对应的所有车辆的平均速度中,平均速度为零的数量与平均速度的总数量之比是否小于预设比值;
若是,则用各平均速度对应表征各时间段内各路段的实时路况;
若否,则根据路段的功能性特征和/或拥堵的传播特性,对平均速度为零的各路段的平均速度进行修正,用修正后的各平均速度对应表征各时间段内各路段的实时路况。
具体地,在本发明实施例提供的上述方法中,步骤判断在各时间段内在各路段上对应的所有车辆的平均速度中,平均速度为零的数量与平均速度的总数量之比是否小于预设比值中的预设比值可以根据实际需要进行设定,例如2/3,在此不做限定。
具体地,在本发明实施例提供的上述方法中,由于未知道路路况的路段的平均速度会受到路段的功能性影响,例如,附近有学校的路段一般会在早上上学时间:7:00-8:00,以及下午放学时间4:00-5:00非常拥堵,即所有具有相同功能的路段的交通状况趋于一致。因此,步骤根据路段的功能性特征,对平均速度为零的各路段的平均速度进行修正,具体可以通过以下方式实现:
确定与平均速度为零的各路段功能相似度最大的路段;
将相似度最大的路段的平均速度作为平均速度为零的路段的修正后的平均速度。
进一步地,在本发明实施例提供的上述方法中,步骤确定与平均速度为零的各路段功能相似度最大的路段中,路段的功能性可以利用路段附近的信息点的类别进行衡量,并用向量表示。以主要的信息点类型包含如表4所示的十种为例,假设距离的阈值设定为δ,则判断是否存在与路段之间距离小于距离阈值δ的上述十种信息点,如果存在则相应的位置置1,否则置0。则按照上述的定义,如图5所示的路段信息点情况路段中路径r1的信息点特征表示路段r1附近有学校、购物中心、酒店、银行、停车场,路段r2的信息点特征表示路段r2附近有购物中心、酒店、交通设施、加油站、停车场。路段ri与路段rj的功能相似度由如下公式计算:
若路段rj是与路段ri功能相似度最大的路段,则路段ri的平均速度由路段rj的平均速度决定
表4
C1:学校 | C6:住宅 |
C2:商业中心 | C7:加油站&车辆服务 |
C3:购物中心 | C8:银行服务 |
C4:酒店 | C9:旅游景点 |
C5:交通设施 | C10:停车场 |
具体地,在本发明实施例提供的上述方法中,由于路段的平均速度受到与此路段的拥堵存在关联关系的路段的平均速度的影响,例如若路段A拥堵,则路段B一定拥堵,那么路段B的平均速度与路段A的平均速度存在强相关关系,可以利用路段A的平均速度预测路段B的平均速度。因此,步骤根据拥堵的传播特性,对平均速度为零的各路段的平均速度进行修正,具体可以通过以下方式实现:
通过关联规则算法,确定与平均速度为零的各路段存在拥堵关联关系的路段;
将存在拥堵关联关系的路段的平均速度作为平均速度为零的路段的修正后的平均速度。
进一步地,在本发明实施例提供的上述方法中,步骤通过关联规则算法,确定与平均速度为零的各路段存在拥堵关联关系的路段中的关联规则算法,是挖掘布尔型关联规则频繁项集的最为经典、最为基本的算法。关联规则中两个重要的概念是支持度和置信度,支持度、置信度的表达式如下:
支持度:
置信度:
其中,count(X∩Y)、count(X)和|D|的含义,可以以假设有7次拥堵事务ti,每一次拥堵事务ti中都包含了发生拥堵的路段rj,t1={r1,r2,r3},t2={r1,r4},t3={r4,r5},t4={r1,r2,r4},t5={r1,r2,r3,r4,r6},t6={r2,r3,r6},t7={r2,r3,r6},X=(r2,r6),Y=r3,为例进行说明:
count(X∩Y)为同时包含了r2、r3和r6的事务数量,即为3,count(X)为同时包含r2和r6的事务数量,即为3,|D|为事务总数量,即为7。
基于此,在本发明实施例提供的上述方法中,步骤通过关联规则算法,确定与平均速度为零的各路段存在拥堵关联关系的路段,具体可以通过以下方式实现:
根据上述步骤S203的具体实施方式中获得的平均速度矩阵T,将某一时段平均速度小于v_min的路段视为拥堵路段r,得到拥堵路段集;
初始化关联规则算法的最小化支持度min_sup和最小化置信度min_conf;
通过扫描拥堵路段集,找出候选项集C1,计算C1中元素的支持度,选取支持度大于min_sup的形成频繁1项集的集合,该集合记作L1;组合L1中的元素得到候选项集C2,选取支持度大于min_sup的形成频繁2项集的集合L2,以此类推,直到不能找到频繁K项集;
例如仍以上述假设有7次拥堵事务ti,每一次拥堵事务ti中都包含了发生拥堵的路段rj,t1={r1,r2,r3},t2={r1,r4},t3={r4,r5},t4={r1,r2,r4},t5={r1,r2,r3,r4,r6},t6={r2,r3,r6},t7={r2,r3,r6},X=(r2,r6),Y=r3的例子进行说明。通过扫描拥堵路段集,找出候选项集C1={r1,r2,r3,r4,r5,r6},则C1中各元素r1、r2、r3、r4、r5、r6的支持度分别为4/7、5/7、4/7、4/7、1/7、3/7;如果设定min_sup为3/7,那么得到的频繁1项集为L1={{r1},{r2},{r3},{r4},{r6}};以此类推得到频繁2项集为L2={{r1,r2},{r2,r4},{r2,r6},{r2,r3},{r3,r6}},频繁3项集为L3={{r2,r3,r6}}。至此,找到了所有的频繁K项集。
对于产生频繁项集L的每个非空子集,与频繁项集L的每个非空子集S,如果满足条件count(L)/count(L-S)≥min_conf,则输出关联规则L-S=>S,其中,L-S表示在频繁项集L中除去子集S的项集,count(L)为L出现的次数,count(L-S)为L-S出现的次数。
具体地,这里仍以上述假设有7次拥堵事务ti,每一次拥堵事务ti中都包含了发生拥堵的路段rj,t1={r1,r2,r3},t2={r1,r4},t3={r4,r5},t4={r1,r2,r4},t5={r1,r2,r3,r4,r6},t6={r2,r3,r6},t7={r2,r3,r6}的例子进行说明。那么,频繁项集L3={{r2,r3,r6}},则count(L3)=3,count(L3-r3)=count(r2,r6)=3,则关联规则r2,r6=>r3的置信度为100%,若设定最小置信度为min_conf=80%,则满足大于最小置信度的要求,是符合要求的关联规则;而count(L3-r6)=count(r2,r3)=4,关联规则r2,r3=>r6的置信度为75%,不满足大于最小置信度的要求,不是符合要求的关联规则。
进一步地,在本发明实施例提供的上述方法中,步骤将存在拥堵关联关系的路段的平均速度作为平均速度为零的路段的修正后的平均速度,具体可以通过以下方式实现:
假设步骤通过关联规则算法,确定与平均速度为零的各路段存在拥堵关联关系的路段中得到的关联规则如下所示:
其中,前件路段集表示为A={r1,r2,…,rm},前件路段集的平均速度表示为V={v1,v2,…,vm},后件路段集表示为C={c1,c2,…,cn},则利用关联规则中前件路段集的平均速度来表征后件路段集中路段的平均速度,即路段ci∈C的平均速度可由前件路段集rj∈A的平均速度来表征,由如下公式表示:
具体地,在本发明实施例提供的上述路径规划的方法中,步骤根据路段的功能性特征和/或拥堵的传播特性,对平均速度为零的各路段的平均速度进行修正,用修正后的各平均速度对应表征各时间段内各路段的实时路况中修正后的平均速度为v=α1*v-funci+α2*v-congi。其中,v_funci表示根据路段功能相似性预测的平均速度,v_congi表示根据路段之间拥堵的传递性预测的平均速度,α1、α2分别为路段相似性、拥堵传递性对平均速度的影响因子,且满足条件:α1+α2=1,0≤α1≤1,0≤α2≤1。当α1=1,α2=0时,表示只根据路段的功能性特征,对平均速度为零的各路段的平均速度进行修正;当α1=0,α2=1时,表示只根据拥堵的传播特性,对平均速度为零的各路段的平均速度进行修正。
在具体实施时,在本发明实施例提供的上述路径规划的方法中,步骤S204按照出发时间、计算出的驾驶行为所属类别、不同道路等级,以及确定出的实时路况,对地图中的各路段构建油耗预测模型,具体可以通过以下方式实现:
由于每一路段的平均油耗与驾驶类型fd、道路等级fr、实时路况c、出行时间t直接相关。而如图6所示,驾驶类型fd由车辆的速度v、加速度a、转速e决定;实时路况c由路段上所有车辆的平均速度决定,当在各时间段内在各路段上对应的所有车辆的平均速度中,平均速度为零的数量与平均速度的总数量之比小于预设比值时,实时路况还与路段的功能性相关速度vc和/或由拥堵的传递性决定的相关速度vp有关。因此,依据上述相关关系,构建出的平均油耗与出发时间、道路等级、实时路况、驾驶员行为所属类别之间的多元非线性回归模型,即个性化油耗模型,如下式所示:
其中α1,α2,α3,α4,β为个性化油耗模型的参数,利用最小二乘法通过包含出发时间、道路等级、实时路况、驾驶员行为所属类别以及对应平均油耗等数据的训练集,如表5所示,可以获得模型参数α1,α2,α3,α4,β。
需要说明的是,为使构造出的油耗模型更精确,在本发明实施例提供的方法中,可以将驾驶员行为所属类别用一定范围的驾驶类型指数(DPI,Driving Performance Index)进行表征。利用与驾驶员行为所属三个类别分别匹配的不同范围的DPI值来构建油耗模型。相比较利用驾驶员行为所属类别的单一赋值,例如,沉稳型赋值0,普通型赋值1,激进型赋值2,来构建油耗预测模型,提高了油耗预测模型的合理性、准确性。
表5
激进程度 | 道路等级 | 实时路况 | 出行时间 | 平均油耗 |
1.79 | 4 | 29 | 14 | 49.6503 |
1.79 | 4 | 11 | 15 | 49.5652 |
1.79 | 4 | 15 | 17 | 49.3888 |
1.79 | 4 | 9 | 18 | 49.3766 |
1.95 | 4 | 16 | 5 | 49.2537 |
2.07 | 4 | 45 | 11 | 49.2063 |
1.79 | 4 | 28 | 19 | 49.1803 |
1.95 | 4 | 24 | 14 | 49.0196 |
1.95 | 4 | 10 | 9 | 48.9796 |
2.28 | 4 | 8 | 16 | 48.913 |
2.28 | 4 | 25 | 18 | 48.7179 |
1.79 | 4 | 15 | 14 | 48.6364 |
2.28 | 3 | 23 | 14 | 48.6111 |
1.79 | 4 | 9 | 12 | 48.5714 |
1.79 | 4 | 14 | 9 | 48.3471 |
2.57 | 4 | 24 | 7 | 48.3333 |
1.95 | 3 | 16 | 21 | 48.2759 |
1.79 | 4 | 27 | 19 | 48.2759 |
1.95 | 4 | 41 | 17 | 48.1013 |
… | … | … | … | … |
具体地,在本发明实施例提供的上述方法中,为有利于构建油耗预测模型,可以将驾驶行为所属类别转化为驾驶员的激进程度,即先对每个驾驶员的激进程度进行评估,然后将一定范围的DPI值表征驾驶行为的三个类型。可以初步设定类别0表示沉稳型,类别1表示普通型,类别2表示激进型,并设定参数DPI,对应表示不同驾驶类型的指数,分别取值为1、2、3,取值越高说明驾驶员的激进程度越高。通过将每个驾驶员的驾驶行为相关数据按照发动机点火、熄火情况进行行程划分,得到多个子行程,进而将每个子行程对应的驾驶行为相关参数向量带入步骤S202的具体实施方式中利用学习向量量化神经网构建的驾驶行为识别模型,得到每个子行程对应的驾驶行为类别,再将每个子行程的驾驶行为类别转化为不同的DPI值,利用驾驶员所有子行程的DPI值的均值进行综合评判驾驶员整体的DPI值:
其中,DPI_driveri对应的是第i个驾驶员的DPI,DPIj对应的是第i个驾驶员的第j个子行程的DPI,trip_counti是第i个驾驶员的子行程的总数。最终,可以利用不同范围的DPI值对应表征驾驶行为所属三大类别,如表6所示。
表6
驾驶行为所属分类 | DPI值 |
沉稳型 | 0<DPI<1.8 |
普通型 | 1.8≤DPI<2.4 |
激进型 | 2.4≤DPI<3 |
进一步地,在本发明实施例提供的上述方法中,步骤S103根据确定出的候选路径集中每条路径各路段的平均油耗以及各路段的长度,确定候选路径集中每条路径所需的总油耗,具体可以通过以下方式实现:
根据步骤S204按照出发时间、计算出的驾驶行为所属类别、不同道路等级,以及确定出的实时路况,对地图中的各路段构建油耗预测模型中建立的油耗预测模型,分别计算不同驾驶员在步骤S101根据获取到的需要规划路径的起点和终点,按照预先选定的多种最优化条件确定候选路径集中确定的候选路径集R={Rtime,Rdist,Rspeed}的每条路径中各路段上的平均油耗fc(ti)i及各路段长度li,则可以计算出特定驾驶员在特定时间段、特定路况、特定道路等级状况下,完成指定的路径所需的总油耗,计算公式如下:
其中,f_route指路径的总油耗,m表示该路径被划分成的路段数量,li表示每个路段的长度,ti表示每个路段上消耗的时间,fc(ti)i表示特定驾驶员在每个路段、每个时间段上的平均油耗。
相应地,本发明实施例还提供了一种路径规划的装置,由于本发明实施例提供的路径规划的装置与上述路径规划的方法相似,因此,该装置的实施可以参见上述方法的实施,重复之处不再赘述。
本发明实施例提供的路径规划的装置,如图7所示,包括:
确定模块701,用于根据获取到的需要规划路径的起点和终点,按照预先选定的多种最优化条件确定候选路径集;
第一计算模块702,用于按照预先建立的油耗预测模型,确定候选路径集中每条路径各路段的平均油耗;油耗预测模型包括各路段的平均油耗与出发时间、道路等级、实时路况、驾驶行为所属类别之间的对应关系;
第二计算模块703,用于根据确定出的候选路径集中每条路径各路段的平均油耗以及各路段的长度,确定候选路径集中每条路径所需的总油耗;
确认模块704,用于将总油耗最低的路径确定为最终的路径规划结果。
具体地,在本发明实施例提供的上述装置中,确定模块701,具体用于根据获取到的需要规划路径的起点和终点,调用地图驾车路线规划应用程序接口,分别以最少时间、最短路径和避开高速为最优化条件确定候选路径集。
在具体实施时,在本发明实施例提供的上述装置中,还可以包括:
获取模块705,用于获取车辆终端上传的车载诊断***数据和全球定位***数据;
分类模块706,用于根据车载诊断***数据,计算驾驶行为并对驾驶行为进行分类;
分析模块707,用于根据全球定位***数据,对地图中的道路进行实时路况分析;
构建模块708,用于按照出发时间、计算出的驾驶行为所属类别、不同道路等级,以及确定出的实时路况,对地图中的各路段构建油耗预测模型。
具体地,在本发明实施例提供的上述装置中,分类模块706,具体用于根据车载诊断***数据,确定驾驶行为相关参数向量;车载诊断***数据包括车辆的速度、加速度和转速;根据驾驶行为相关参数向量,以及预先利用学习向量量化神经网络算法构建的驾驶行为识别模型,确定驾驶行为属于激进型、沉稳型或普通型。
具体地,在本发明实施例提供的上述装置中,分析模块707,具体用于调用地图地址解析应用程序接口,将全球定位***数据与具体路段名称相对应,确定各时间段内在各路段上对应的所有车辆的平均速度;用各平均速度对应表征各时间段内各路段的实时路况。
在具体实施时,在本发明实施例提供的上述装置中,还可以包括:修正模块709,用于判断在各时间段内在各路段上对应的所有车辆的平均速度中,平均速度为零的数量与平均速度的总数量之比是否小于预设比值;若是,则用各平均速度对应表征各时间段内各路段的实时路况;若否,则根据路段的功能性特征和/或拥堵的传播特性,对平均速度为零的各路段的平均速度进行修正,用修正后的各平均速度对应表征各时间段内各路段的实时路况。
具体地,在本发明实施例提供的上述装置中,修正模块709,具体用于确定与平均速度为零的各路段功能相似度最大的路段,将相似度最大的路段的平均速度作为平均速度为零的路段的修正后的平均速度;和/或通过关联规则算法,确定与平均速度为零的各路段存在拥堵关联关系的路段,将存在拥堵关联关系的路段的平均速度作为平均速度为零的路段的修正后的平均速度。
本发明实施例提供的上述路径规划的方法及装置,包括:根据获取到的需要规划路径的起点和终点,按照预先选定的多种最优化条件确定候选路径集;按照预先建立的油耗预测模型,确定候选路径集中每条路径各路段的平均油耗;油耗预测模型包括各路段的平均油耗与出发时间、道路等级、实时路况、驾驶行为所属类别之间的对应关系;根据确定出的候选路径集中每条路径各路段的平均油耗以及各路段的长度,确定候选路径集中每条路径所需的总油耗;将总油耗最低的路径确定为最终的路径规划结果。由于通过包含各路段的平均油耗与出发时间、道路等级、实时路况、驾驶行为所属类别之间的对应关系的油耗预测模型,规划出了油耗最低的路径,因此,实现了基于驾驶员个性化的驾驶特征、道路等级、实时路况与最低油耗之间的关系进行的路径规划。
此外,本发明实施例提供的上述路径规划的方法及装置中,在需要规划的路径起点相同的条件下,能够针对不同驾驶员在不同道路等级、不同路况下的油耗特征,根据实时路况特征实现个性化的节油路径规划,从而避免了现有技术中在起点相同时,给所有驾驶员推荐相同的路径,导致某些道路的拥堵的问题,进而在提高路径规划功能的用户体验的同时有助于分散车流,提高交通效率。并且,在本发明实施例提供的上述路径规划的方法及装置中,不是以行程时间、行程距离、拥挤程度、行程困难度为目标函数进行的最优化,而是以最低油耗为目标函数进行最优化,而这一最优化目标函数弥补了已有路径规划方法的不足;再者,实际情况下不同的驾驶员由于驾驶特征的差异性,造成在不同等级道路、不同的交通状况下油耗存在巨大差异,而目前的个性化路径规划方法没有考虑驾驶员个性化的驾驶特征、道路等级、实时路况对于油耗的影响,所规划的路径也不能很好地满足所有用户的需求,进而可能降低用户对诱导***的满意度和信任度,本发明实施例提供的上述方法和装置中,实现了基于驾驶行为类别、道路等级、实时路况等参数对油耗进行计算,并向驾驶员推荐油耗最低的出行路径,在一定程度上满足了用户的需求,进而提高了用户对诱导***的满意度和信任度。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (15)
1.一种路径规划的方法,其特征在于,包括:
根据获取到的需要规划路径的起点和终点,按照预先选定的多种最优化条件确定候选路径集;
按照预先建立的油耗预测模型,确定所述候选路径集中每条路径各路段的平均油耗;所述油耗预测模型包括所述各路段的平均油耗与出发时间、道路等级、实时路况、驾驶行为所属类别之间的对应关系;
根据确定出的所述候选路径集中每条路径各路段的平均油耗以及各路段的长度,确定所述候选路径集中每条路径所需的总油耗;
将所述总油耗最低的路径确定为最终的路径规划结果。
2.如权利要求1所述的方法,其特征在于,所述根据获取到的需要规划路径的起点和终点,按照预先选定的多种最优化条件确定候选路径集,具体包括:
根据获取到的需要规划路径的起点和终点,调用地图驾车路线规划应用程序接口,分别以最少时间、最短路径和避开高速为最优化条件确定候选路径集。
3.如权利要求1或2所述的方法,其特征在于,通过如下方式建立所述油耗预测模型:
获取车辆终端上传的车载诊断***数据和全球定位***数据;
根据所述车载诊断***数据,计算驾驶行为并对驾驶行为进行分类;
根据所述全球定位***数据,对地图中的道路进行实时路况分析;
按照出发时间、计算出的驾驶行为所属类别、不同道路等级,以及确定出的实时路况,对地图中的各路段构建油耗预测模型。
4.如权利要求3所述的方法,其特征在于,所述根据所述车载诊断***数据,计算驾驶行为并对驾驶行为进行分类,具体包括:
根据所述车载诊断***数据,确定驾驶行为相关参数向量;所述车载诊断***数据包括车辆的速度、加速度和转速;
根据所述驾驶行为相关参数向量,以及预先利用学习向量量化神经网络算法构建的驾驶行为识别模型,确定驾驶行为属于激进型、沉稳型或普通型。
5.如权利要求3所述的方法,其特征在于,所述根据所述全球定位***数据,对地图中的道路进行实时路况分析,具体包括:
调用地图地址解析应用程序接口,将所述全球定位***数据与具体路段名称相对应,确定各时间段内在各路段上对应的所有车辆的平均速度;
用各所述平均速度对应表征各时间段内各路段的实时路况。
6.如权利要求5所述的方法,其特征在于,在用各所述平均速度对应表征各时间段内各路段的实时路况之前,还包括:
判断在各时间段内在各路段上对应的所有车辆的平均速度中,平均速度为零的数量与平均速度的总数量之比是否小于预设比值;
若是,则用各所述平均速度对应表征各时间段内各路段的实时路况;
若否,则根据路段的功能性特征和/或拥堵的传播特性,对所述平均速度为零的各路段的平均速度进行修正,用修正后的各所述平均速度对应表征各时间段内各路段的实时路况。
7.如权利要求6所述的方法,其特征在于,所述根据路段的功能性特征,对所述平均速度为零的各路段的平均速度进行修正,具体包括:
确定与所述平均速度为零的各路段功能相似度最大的路段;
将相似度最大的路段的平均速度作为所述平均速度为零的路段的修正后的平均速度。
8.如权利要求6所述的方法,其特征在于,所述根据拥堵的传播特性,对所述平均速度为零的各路段的平均速度进行修正,具体包括:
通过关联规则算法,确定与所述平均速度为零的各路段存在拥堵关联关系的路段;
将存在拥堵关联关系的路段的平均速度作为所述平均速度为零的路段的修正后的平均速度。
9.一种路径规划的装置,其特征在于,包括:
确定模块,用于根据获取到的需要规划路径的起点和终点,按照预先选定的多种最优化条件确定候选路径集;
第一计算模块,用于按照预先建立的油耗预测模型,确定所述候选路径集中每条路径各路段的平均油耗;所述油耗预测模型包括所述各路段的平均油耗与出发时间、道路等级、实时路况、驾驶行为所属类别之间的对应关系;
第二计算模块,用于根据确定出的所述候选路径集中每条路径各路段的平均油耗以及各路段的长度,确定所述候选路径集中每条路径所需的总油耗;
确认模块,用于将所述总油耗最低的路径确定为最终的路径规划结果。
10.如权利要求9所述的装置,其特征在于,所述确定模块,具体用于根据获取到的需要规划路径的起点和终点,调用地图驾车路线规划应用程序接口,分别以最少时间、最短路径和避开高速为最优化条件确定候选路径集。
11.如权利要求9或10所述的装置,其特征在于,还包括:
获取模块,用于获取车辆终端上传的车载诊断***数据和全球定位***数据;
分类模块,用于根据所述车载诊断***数据,计算驾驶行为并对驾驶行为进行分类;
分析模块,用于根据所述全球定位***数据,对地图中的道路进行实时路况分析;
构建模块,用于按照出发时间、计算出的驾驶行为所属类别、不同道路等级,以及确定出的实时路况,对地图中的各路段构建油耗预测模型。
12.如权利要求11所述的装置,其特征在于,所述分类模块,具体用于根据所述车载诊断***数据,确定驾驶行为相关参数向量;所述车载诊断***数据包括车辆的速度、加速度和转速;根据所述驾驶行为相关参数向量,以及预先利用学习向量量化神经网络算法构建的驾驶行为识别模型,确定驾驶行为属于激进型、沉稳型或普通型。
13.如权利要求11所述的装置,其特征在于,所述分析模块,具体用于调用地图地址解析应用程序接口,将所述全球定位***数据与具体路段名称相对应,确定各时间段内在各路段上对应的所有车辆的平均速度;用各所述平均速度对应表征各时间段内各路段的实时路况。
14.如权利要求13所述的装置,其特征在于,还包括:修正模块,用于判断在各时间段内在各路段上对应的所有车辆的平均速度中,平均速度为零的数量与平均速度的总数量之比是否小于预设比值;若是,则用各所述平均速度对应表征各时间段内各路段的实时路况;若否,则根据路段的功能性特征和/或拥堵的传播特性,对所述平均速度为零的各路段的平均速度进行修正,用修正后的各所述平均速度对应表征各时间段内各路段的实时路况。
15.如权利要求14所述的装置,其特征在于,所述修正模块,具体用于确定与所述平均速度为零的各路段功能相似度最大的路段,将相似度最大的路段的平均速度作为所述平均速度为零的路段的修正后的平均速度;和/或通过关联规则算法,确定与所述平均速度为零的各路段存在拥堵关联关系的路段,将存在拥堵关联关系的路段的平均速度作为所述平均速度为零的路段的修正后的平均速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611028028.1A CN108072381B (zh) | 2016-11-18 | 2016-11-18 | 一种路径规划的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611028028.1A CN108072381B (zh) | 2016-11-18 | 2016-11-18 | 一种路径规划的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108072381A true CN108072381A (zh) | 2018-05-25 |
CN108072381B CN108072381B (zh) | 2020-10-27 |
Family
ID=62161004
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611028028.1A Active CN108072381B (zh) | 2016-11-18 | 2016-11-18 | 一种路径规划的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108072381B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108663064A (zh) * | 2018-07-03 | 2018-10-16 | 中国联合网络通信集团有限公司 | 最快线路确定方法和装置 |
CN108829852A (zh) * | 2018-06-21 | 2018-11-16 | 桂林电子科技大学 | 一种个性化旅游路线推荐方法 |
CN109141456A (zh) * | 2018-08-21 | 2019-01-04 | 上海博泰悦臻网络技术服务有限公司 | 导航路径规划方法及服务器 |
CN109141455A (zh) * | 2018-08-21 | 2019-01-04 | 上海博泰悦臻网络技术服务有限公司 | 导航路径规划方法及服务器 |
CN109615899A (zh) * | 2018-12-24 | 2019-04-12 | 航天信息股份有限公司 | 智能交通管理***及方法 |
CN109827588A (zh) * | 2019-03-08 | 2019-05-31 | 联想(北京)有限公司 | 一种处理方法及电子设备 |
CN110414728A (zh) * | 2019-07-19 | 2019-11-05 | 上海博泰悦臻网络技术服务有限公司 | 新能源车辆的电量消耗预测方法、***、及电子设备 |
CN110517492A (zh) * | 2019-08-27 | 2019-11-29 | 中国科学院自动化研究所 | 基于平行集成学习的交通路径推荐方法、***、装置 |
CN110646004A (zh) * | 2018-12-29 | 2020-01-03 | 北京奇虎科技有限公司 | 一种基于路况预测的智能导航方法及装置 |
CN110736473A (zh) * | 2018-07-18 | 2020-01-31 | 阿里巴巴集团控股有限公司 | 驾驶规划及组建车队的方法、装置、设备及存储介质 |
CN110954119A (zh) * | 2019-11-11 | 2020-04-03 | 广东振业优控科技股份有限公司 | 一种基于大数据的城市道路机动车最优线路诱导方法 |
CN112529254A (zh) * | 2020-11-19 | 2021-03-19 | 歌尔股份有限公司 | 一种路径规划方法、装置和电子设备 |
CN113696890A (zh) * | 2021-09-23 | 2021-11-26 | 中国第一汽车股份有限公司 | 车道保持方法、装置、设备、介质及*** |
CN114485709A (zh) * | 2022-01-19 | 2022-05-13 | 武汉大学 | 一种车辆导航路径规划方法 |
CN114708724A (zh) * | 2021-06-28 | 2022-07-05 | 天津大学 | 一种人车路协同的多车能效优化算法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334289A (zh) * | 2007-06-29 | 2008-12-31 | 通用汽车环球科技运作公司 | 燃料成本预测器*** |
CN101645200A (zh) * | 2009-08-19 | 2010-02-10 | 深圳华为通信技术有限公司 | 导航路径选择方法和装置 |
US20100057339A1 (en) * | 2008-06-19 | 2010-03-04 | Harman Becker Automotive System Gmbh | Calculation of energy optimized route |
US20100076675A1 (en) * | 2008-09-24 | 2010-03-25 | The Regents Of The University Of California | Environmentally friendly driving navigation |
CN102509470A (zh) * | 2011-10-14 | 2012-06-20 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的***和方法 |
CN105571602A (zh) * | 2015-12-21 | 2016-05-11 | 东软集团股份有限公司 | 用于选择路径的方法和装置 |
CN105865472A (zh) * | 2016-04-06 | 2016-08-17 | 重庆邮电大学 | 一种基于最佳油耗的车载导航方法 |
-
2016
- 2016-11-18 CN CN201611028028.1A patent/CN108072381B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101334289A (zh) * | 2007-06-29 | 2008-12-31 | 通用汽车环球科技运作公司 | 燃料成本预测器*** |
US20100057339A1 (en) * | 2008-06-19 | 2010-03-04 | Harman Becker Automotive System Gmbh | Calculation of energy optimized route |
US20100076675A1 (en) * | 2008-09-24 | 2010-03-25 | The Regents Of The University Of California | Environmentally friendly driving navigation |
CN101645200A (zh) * | 2009-08-19 | 2010-02-10 | 深圳华为通信技术有限公司 | 导航路径选择方法和装置 |
CN102509470A (zh) * | 2011-10-14 | 2012-06-20 | 北京掌城科技有限公司 | 基于动态路径规划实现车辆节能减排的***和方法 |
CN105571602A (zh) * | 2015-12-21 | 2016-05-11 | 东软集团股份有限公司 | 用于选择路径的方法和装置 |
CN105865472A (zh) * | 2016-04-06 | 2016-08-17 | 重庆邮电大学 | 一种基于最佳油耗的车载导航方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108829852A (zh) * | 2018-06-21 | 2018-11-16 | 桂林电子科技大学 | 一种个性化旅游路线推荐方法 |
CN108663064A (zh) * | 2018-07-03 | 2018-10-16 | 中国联合网络通信集团有限公司 | 最快线路确定方法和装置 |
CN110736473A (zh) * | 2018-07-18 | 2020-01-31 | 阿里巴巴集团控股有限公司 | 驾驶规划及组建车队的方法、装置、设备及存储介质 |
CN109141456A (zh) * | 2018-08-21 | 2019-01-04 | 上海博泰悦臻网络技术服务有限公司 | 导航路径规划方法及服务器 |
CN109141455A (zh) * | 2018-08-21 | 2019-01-04 | 上海博泰悦臻网络技术服务有限公司 | 导航路径规划方法及服务器 |
CN109615899A (zh) * | 2018-12-24 | 2019-04-12 | 航天信息股份有限公司 | 智能交通管理***及方法 |
CN110646004A (zh) * | 2018-12-29 | 2020-01-03 | 北京奇虎科技有限公司 | 一种基于路况预测的智能导航方法及装置 |
CN110646004B (zh) * | 2018-12-29 | 2021-11-26 | 北京奇虎科技有限公司 | 一种基于路况预测的智能导航方法及装置 |
CN109827588A (zh) * | 2019-03-08 | 2019-05-31 | 联想(北京)有限公司 | 一种处理方法及电子设备 |
CN109827588B (zh) * | 2019-03-08 | 2022-01-14 | 联想(北京)有限公司 | 一种处理方法及电子设备 |
CN110414728A (zh) * | 2019-07-19 | 2019-11-05 | 上海博泰悦臻网络技术服务有限公司 | 新能源车辆的电量消耗预测方法、***、及电子设备 |
CN110517492A (zh) * | 2019-08-27 | 2019-11-29 | 中国科学院自动化研究所 | 基于平行集成学习的交通路径推荐方法、***、装置 |
CN110954119A (zh) * | 2019-11-11 | 2020-04-03 | 广东振业优控科技股份有限公司 | 一种基于大数据的城市道路机动车最优线路诱导方法 |
CN110954119B (zh) * | 2019-11-11 | 2022-02-18 | 广东振业优控科技股份有限公司 | 一种基于大数据的城市道路机动车最优线路诱导方法 |
CN112529254A (zh) * | 2020-11-19 | 2021-03-19 | 歌尔股份有限公司 | 一种路径规划方法、装置和电子设备 |
CN114708724A (zh) * | 2021-06-28 | 2022-07-05 | 天津大学 | 一种人车路协同的多车能效优化算法 |
CN114708724B (zh) * | 2021-06-28 | 2023-08-01 | 天津大学 | 一种人车路协同的多车能效优化算法 |
CN113696890A (zh) * | 2021-09-23 | 2021-11-26 | 中国第一汽车股份有限公司 | 车道保持方法、装置、设备、介质及*** |
CN114485709A (zh) * | 2022-01-19 | 2022-05-13 | 武汉大学 | 一种车辆导航路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108072381B (zh) | 2020-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108072381A (zh) | 一种路径规划的方法及装置 | |
CN105675002B (zh) | 一种多途经点导航路线规划方法和*** | |
CN104484911B (zh) | 基于QoE的个性化自动驾驶参数优化设定方法 | |
CN104024800B (zh) | 可到达范围计算装置、方法 | |
CN107101643B (zh) | 一种拼车匹配方法 | |
CN109191896A (zh) | 个性化停车位推荐方法和*** | |
CN105865472A (zh) | 一种基于最佳油耗的车载导航方法 | |
CN110516702B (zh) | 一种基于流数据的离散路径规划方法 | |
CN106875734B (zh) | 一种推送停车路线的方法及装置 | |
CN105117790A (zh) | 车费预估方法及装置 | |
CN103942312B (zh) | 公交换乘线路规划方法和装置 | |
CN110395245B (zh) | 一种基于固定路线驾驶信息的混动汽车能量管理*** | |
CN110598917B (zh) | 一种基于路径轨迹的目的地预测方法、***及存储介质 | |
CN107270925A (zh) | 一种用户车辆导航***、装置及方法 | |
CN104331746B (zh) | 一种分离式的动态路径优化***及其方法 | |
CN104599002A (zh) | 预测订单价值的方法及设备 | |
CN114450557A (zh) | 路线偏差量化及基于此的车辆路线学习 | |
CN111932341A (zh) | 一种确定拼车订单的方法和*** | |
CN110570656A (zh) | 定制公共交通线路方法及装置 | |
CN106382942A (zh) | 一种车载导航***及导航方法 | |
CN111400425A (zh) | 一种路径自动优化选择的方法和*** | |
CN117291327B (zh) | 车辆的加油站推荐方法、装置、设备及存储介质 | |
CN109117989B (zh) | 一种任务匹配时的预测方法及装置 | |
CN111445715B (zh) | 基于物联网通信的智慧城市交通调度方法及调度设备 | |
CN110400113A (zh) | 一种物流揽件实时调度方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |